halaman judul

(1)

HALAMAN JUDUL

UNIVERSITAS DIPONEGORO

ANALISIS PERBANDINGAN KINERJA DEEP NEURAL NETWORK MENGGUNAKAN MODEL XCEPTION DAN DENSENET PADA

KLASIFIKASI RAS KUCING

TUGAS AKHIR

Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Teknik

RIO JULIAN AZIS PRATAMA 21120116120011

FAKULTAS TEKNIK

DEPARTEMEN TEKNIK KOMPUTER SEMARANG

JUNI 2020

(2)

ii

HALAMAN PENGESAHAN

(3)

iii

HALAMAN PERNYATAAN ORISINALITAS

Tugas Akhir ini adalah hasil karya saya sendiri, dan semua sumber baik yang dikutip maupun yang dirujuk telah saya nyatakan dengan benar

Nama : Rio Julian Azis Pratama

NIM : 21120116120011

Tanda Tangan :

Tanggal : Juni 2020

(4)

iv

HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI TUGAS AKHIR UNTUK KEPENTINGAN AKADEMIS

Sebagai civitas akademika Universitas Diponegoro, saya yang bertanda tangan di bawah ini:

Nama : Rio Julian Azis Pratama

NIM : 21120116120011

Jurusan/Program Studi : Teknik Komputer

Fakultas : Teknik

Jenis Karya : Tugas Akhir

demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Diponegoro Hak Bebas Royalti Noneksklusif (Non-exclusive Royalty Free Right) atas karya ilmiah saya yang berjudul :

Analisis Perbandingan Kinerja Deep Neural Network Menggunakan Model Xception dan DenseNet pada Klasifikasi Ras Kucing.

beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti/Noneksklusif ini, Universitas Diponegoro berhak menyimpan, mengalihmedia/formatkan, mengelola dalam bentuk pangkalan data (database), merawat dan memublikasikan tugas akhir saya selama tetap mencantumkan nama saya sebagai penulis/pencipta dan sebagai pemilik Hak Cipta.

Demikian pernyataan ini saya buat dengan sebenarnya.

Dibuat di : Semarang Pada Tanggal : Juni 2020 Yang menyatakan

Rio Julian Azis Pratama

(5)

v

KATA PENGANTAR

Puji syukur Alhamdulillah ke hadirat Allah SWT yang telah melimpahkan rahmat-Nya sehingga Penulis dapat menyelesaikan laporan Tugas Akhir yang berjudul “Analisis Perbandingan Kinerja Deep Neural Network Menggunakan Model Xception dan DenseNet pada Klasifikasi Ras Kucing”.

Laporan Tugas Akhir ini merupakan salah satu syarat untuk menyelesaikan studi di Departemen Teknik Komputer Fakultas Teknik Universitas Diponegoro.

Diharapkan penyusunan laporan Tugas Akhir ini dapat memberikan manfaat dalam bidang Pendidikan.

Dalam penyusunan laporan Tugas Akhir ini Penulis banyak mendapatkan dukungan, doa bimbingan dan dorongan dari berbagai pihak. Oleh karenanya, melalui kesempatan ini Penulis menyampaikan ucapan terima kasih kepada:

1. Bapak Dr. R. Rizal Isnanto, S.T., M.M., M.T. selaku Ketua Departemen Teknik Komputer dan juga selaku dosen pembimbing I, yang telah memberikan petunjuk serta bimbingan dalam pembuatan Tugas Akhir.

2. Bapak Yudi Eko Windarto, S.T., M.Kom. selaku dosen pembimbing II, yang telah memberikan petunjuk serta bimbingan dalam pembuatan Tugas Akhir.

3. Ibu Ike Pertiwi Windasari, S.T., M.T. selaku dosen Koordinator Tugas Akhir, yang telah memberikan petunjuk serta bimbingan pelaksanaan rangkaian kegiatan Tugas Akhir.

4. Bapak dan Ibu dosen Jurusan Teknik Komputer yang telah memberikan ilmu pengetahuan dan dorongan untuk terus berkarya.

5. Kedua orang tua dan keluarga yang selalu mendoakan dan mendukung penulis dalam menyelesaikan Tugas Akhir.

6. Sahabat-sahabat Penulis selama melaksanakan studi di Departemen Teknik Komputer yang selalu siap mendukung dan membantu Penulis setiap saat, yaitu Faisal, Alvin, Hisyam, Shodiq, Khoderi, Usman, Kemal yang selalu menguatkan dan saling membantu selama penulis mengerjakan Tugas Akhir ini.

(6)

vi

7. Enjela Pratiwi yang selalu memberikan semangat, dan selalu memberikan motivasi kepada Penulis untuk segera menyelesaikan Tugas Akhir ini.

8. Teman-teman Teknik Komputer, khususnya angkatan 2016 yang selalu mendukung dan memberikan semangat kepada Penulis.

9. Staf Tata Usaha Departemen Teknik Komputer yang telah bekerja dengan baik.

10. Serta semua pihak yang tidak dapat disebutkan satu persatu yang telah membantu hingga terselesaikannya Tugas Akhir ini.

Penulis menyadari bahwa laporan Tugas Akhir ini masih perlu perbaikan, kritik, saran dan masukan di masa yang akan datang demi sempurnanya Laporan Tugas Akhir ini. Penulis berharap laporan Tugas Akhir ini dapat bermanfaat bagi Penulis maupun bagi orang banyak. Akhir kata Penulis mengucapkan terima kasih.

Semarang, Juni 2020

Rio Julian Azis Pratama

(7)

vii DAFTAR ISI

HALAMAN JUDUL ... i

HALAMAN PENGESAHAN ... ii

HALAMAN PERNYATAAN ORISINALITAS ... iii

HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI ... iv

KATA PENGANTAR ... v

DAFTAR ISI ... vii

DAFTAR GAMBAR ... ix

DAFTAR TABEL ... xiii

ABSTRAK ... xiv

ABSTRACT ... xv

BAB I PENDAHULUAN ... 1

1.1 Latar Belakang ... 1

1.2 Rumusan Masalah ... 2

1.3 Tujuan Penelitian ... 2

1.4 Batasan Masalah ... 2

1.5 Manfaat Penelitian ... 3

1.6 Sistematika Penulisan ... 3

BAB II KAJIAN PUSTAKA ... 5

2.1 Kajian Hasil Penelitian Terdahulu ... 5

2.2 Landasan Teori ... 6

2.2.1 Artificial Intellegence ... 6

2.2.2 Deep Learning ... 7

2.2.3 Convolutional Neural Network (CNN) ... 8

2.2.4 Keras dan Tensorflow ... 16

2.2.5 Transfer Learning ... 17

2.2.6 Pembelajaran Terawasi (Supervised Learning) ... 17

2.2.7 Regularisasi dan Dropout ... 18

2.2.8 Fine-Tuning ... 18

2.2.9 Adam ... 19

2.2.10 Kucing ... 20

(8)

viii

2.2.11 Xception ... 21

2.2.12 DenseNet-201 ... 22

2.2.13 Flask ... 23

BAB III METODOLOGI PENELITIAN ... 25

3.1 Populasi dan Sampel ... 25

3.2 Variabel dan Definisi Operasional Variabel ... 25

3.3 Jenis dan Sumber Data ... 26

3.4 Metode Analisis Data ... 26

3.5 Tahapan Penelitian ... 26

3.5.1 Kajian Pustaka ... 26

3.5.2 Pengumpulan Data dan Pengolahan Data ... 26

3.5.3 Perancangan Model ... 29

3.5.4 Pelatihan Model ... 36

3.5.5 Pengujian Model ... 42

3.5.6 Implementasi pada Aplikasi Web ... 47

BAB IV ANALISIS HASIL PENGUJIAN ... 49

4.1. Skema Himpunan Data ... 49

4.2. Parameter Laju Pembelajaran (Learning Rate) ... 60

4.3. Parameter Jumlah Epoch ... 72

4.4. Skema Fine-Tuning ... 84

4.5 Implementasi pada Aplikasi Web ... 95

BAB V KESIMPULAN DAN SARAN ... 98

5.1 Kesimpulan ... 98

5.2 Saran ... 99

DAFTAR PUSTAKA ... 100

(9)

ix

DAFTAR GAMBAR

Gambar 2. 1 Ekstraksi Ciri ... 8

Gambar 2. 2 Konsep dari Peta Respon ... 9

Gambar 2. 3 Cara Kerja Konvolusi ... 10

Gambar 2. 4 Lokasi Valid untuk Jendela Berukuran 3x3 dalam 5x5 Peta Ciri .... 10

Gambar 2. 5 Padding 5x5 Peta Ciri Masukan ... 11

Gambar 2. 6 Konvolusi 3x3 dengan 2x2 Langkah ... 11

Gambar 2. 7 Konsep berbagi Bobot (Weight-sharing) ... 12

Gambar 2. 8 Contoh pooling ... 12

Gambar 2. 9 Konvolusi dan Pooling ... 13

Gambar 2. 10. Konvolusi dan Pooling ... 13

Gambar 2. 11. Contoh dari Confusion Matrix ... 14

Gambar 2. 12. Contoh dari Multi-kelas Confusion Matrix ... 15

Gambar 2. 13 Deep-Learning Software and Hardware Stack ... 17

Gambar 2. 14 Ilustrasi klasifikasi biner ... 18

Gambar 2. 15 Contoh Citra berbagai Ras Kucing (Maine Coon, Persian, Siamese) ... 21

Gambar 2. 16 Xception: Depthwise Separable Convolution ... 22

Gambar 2. 17 Arsitektur DenseNet ... 23

Gambar 3.1 Tahapan Penelitian ... 27

Gambar 3.2 Augmentasi Gambar... 29

Gambar 3.3 (a) Rancangan Arsitektur Model Xception dengan masukan Gambar Ukuran 224x224 ... 30

Gambar 3.3 (b) Rancangan Arsitektur Model Xception dengan masukan Gambar Ukuran 224x224 ... 31

Gambar 3.4 (a) Rancangan Arsitektur Model DenseNet-201 dengan Masukan Berukuran 224x224 ... 33

Gambar 3.4 (b) Rancangan Arsitektur Model DenseNet-201 dengan Masukan Berukuran 224x224 ... 34

Gambar 3.5 Lapisan Terhubung-Penuh pada Model Xception... 37

Gambar 3.6 Lapisan Terhubung-Penuh pada Model DenseNet-201 ... 38

Gambar 3.7 Jumlah Parameter pada Model Xception ... 39

Gambar 3.8 Jumlah Parameter pada Model DenseNet-201 ... 39

Gambar 3.9 Contoh Hasil Pengujian menggunakan Confusion Matrix ... 45

Gambar 3.10 Perancangan Antarmuka Aplikasi ... 47

Gambar 3.11 Use Case Diagram Aplikasi Klasifikasi Ras Kucing ... 48

Gambar 4.1 Grafik tahap Pelatihan untuk Skema 1 pada Model Xception ... 50

Gambar 4.2 Confusion Matrix Skema 1 pada Model Xception ... 51

Gambar 4.3 Hasil Klasifikasi Skema 1 pada Model Xception ... 51

(10)

x

Gambar 4.5 Confusion Matrix Skema 2 pada Model Xception ... 52

Gambar 4.8 Confusion Matrix Skema 3 pada Model Xception ... 54

Gambar 4.10 Grafik tahap Pelatihan untuk Skema 1 pada Model DenseNet-201 55 Gambar 4.11 Confusion Matrix Skema 1 pada Model DenseNet-201 ... 56

Gambar 4.12 Hasil Klasifikasi Skema 1 pada Model DenseNet-201 ... 56

Gambar 4.19 Grafik tahap Pelatihan untuk lr=0,01 pada Model Xception ... 61

Gambar 4.20 Confusion Matrix untuk lr=0,01 pada Model Xception ... 61

Gambar 4.21 Hasil Klasifikasi untuk lr=0,01 pada Model Xception ... 62

Gambar 4.27 Hasil Klasifikasi unstuk lr=0,0001 pada Model Xception ... 65

Gambar 4.28 Grafik tahap Pelatihan untuk lr=0,01 pada Model DenseNet-201 .. 66

Gambar 4.29 Confusion Matrix untuk lr=0,01 pada Model DenseNet-201 ... 68

Gambar 4.31 Grafik tahap Pelatihan untuk lr=0,001 pada Model DenseNet-201 68 Gambar 4.32 Confusion Matrix untuk lr=0,001 pada Model DenseNet-201 ... 69

Gambar 4.33 Hasil Klasifikasi untuk lr=0,001 pada Model DenseNet-201 ... 69

Gambar 4.34 Grafik tahap Pelatihan untuk lr=0,0001 pada Model DenseNet-201 ... 70

Gambar 4.35 Confusion Matrix untuk lr=0,0001 pada Model DenseNet-201 ... 71

Gambar 4.36 Hasil Klasifikasi untuk lr=0,0001 pada Model DenseNet-201 ... 71

Gambar 4.37 Grafik tahap Pelatihan untuk epoch=20 pada Model Xception ... 73

Gambar 4.38 Confusion Matrix untuk epoch=20 pada Model Xception ... 74

Gambar 4.39 Hasil Klasifikasi untuk epoch=20 pada Model Xception ... 74

(11)

xi

Gambar 4.46 Grafik tahap Pelatihan untuk epoch=20 pada Model DenseNet-201 ... 79

Gambar 4.47 Confusion Matrix untuk epoch=20 pada Model DenseNet-201 ... 80

Gambar 4.48 Hasil Klasifikasi untuk epoch=20 pada Model DenseNet-201 ... 80

Gambar 4.55 Grafik tahap Pelatihan untuk 10% Lapisan Aktif pada Model Xception ... 85

Gambar 4.56 Confusion Matrix untuk 10% Lapisan Aktif pada Model Xception ... 86

Gambar 4.57 Hasil Klasifikasi untuk 10% Lapisan Aktif pada Model Xception 86 Gambar 4.58 Grafik Tahap Pelatihan untuk 50% Lapisan Aktif pada Model Xception ... 87

Gambar 4.60 Hasil Klasifikasi untuk 50% Lapisan Aktif pada Model Xception 88 Gambar 4.61 Grafik tahap Pelatihan untuk 90% Lapisan Aktif pada Model Xception ... 88

Gambar 4.63 Hasil Klasifikasi untuk 90% Lapisan Aktif pada Model Xception 89 Gambar 4.64 Grafik tahap Pelatihan untuk 10% Lapisan Aktif pada Model DenseNet-201 ... 90

Gambar 4.65 Confusion Matrix untuk 10% Lapisan Aktif pada Model DenseNet- 201 ... 91

Gambar 4.66 Hasil Klasifikasi untuk 10% Lapisan Aktif pada Model DenseNet- 201 ... 91

Gambar 4.67 Grafik tahap Pelatihan untuk 50% Lapisan Aktif pada Model DenseNet-201 ... 92

(12)

xii

Gambar 4.68 Confusion Matrix untuk 50% Lapisan Aktif pada Model DenseNet-

201 ... 92

Gambar 4.69 Hasil Klasifikasi untuk 50% Lapisan Aktif pada Model DenseNet- 201 ... 93

Gambar 4.70 Grafik tahap Pelatihan untuk 90% Lapisan Aktif pada Model DenseNet-201 ... 93

Gambar 4.73 Tampilan Awal Aplikasi ... 96

Gambar 4.74 Pilih Gambar ... 96

Gambar 4.75 Tampilan setelah Gambar dipilih ... 96

(13)

xiii

DAFTAR TABEL

Tabel 3.1 Definisi Operasional Penelitian ... 25

Tabel 3.2 Arsitektur DenseNet-201 dengan Ukuran Masukan Berukuran 224x224. Catatan : Untuk setiap lapisan “conv” pada tabel mewakili urutan lapisan BN- ReLU-Conv2D. ... 36

Tabel 3.3 Jumlah data sesuai skema pembagian himpunan data (70:30) ... 42

Tabel 3.5 Jumlah data sesuai skema pembagian himpunan data 90:10 (lanjutan) 44 Tabel 3.6 Tabel Parameter untuk Mengukur Kinerja pada Model ... 45

Tabel 4.1 Hasil Uji Percobaan pada model Xception berdasarkan Skema Himpunan Data ... 50

Tabel 4.2 Hasil Uji Percobaan pada model DenseNet-201 berdasarkan Skema Himpunan Data ... 55

Tabel 4.3 Hasil Uji Percobaan pada model Xception berdasarkan Paramater Laju Pembelajaran ... 60

Tabel 4.4 Hasil Uji Percobaan pada model DenseNet-201 berdasarkan Paramater Laju Pembelajaran ... 66

Tabel 4.5 Hasil Uji Percobaan pada model Xception berdasarkan Jumlah Epoch 72 Tabel 4.6 Hasil Uji Percobaan pada model DenseNet-201 berdasarkan Jumlah Epoch ... 78

Tabel 4.7 Hasil Uji Percobaan pada model Xception berdasarkan Skema Fine- Tuning ... 85

Tabel 4.8 Hasil Uji Percobaan pada model DenseNet-201 berdasarkan Skema Fine- Tuning ... 90

(14)

xiv ABSTRAK

Perkembangan teknologi saat ini sudah sampai pada tahap dimana komputer dapat mengenali objek dalam gambar secara otomatis. Berbagai model dan algoritma terus dikembangkan agar komputer dapat mengenali objek di dalam gambar secara lebih baik. Salah satu metode yang terbukti menghasilkan hasil terbaik (state-of-the-art) adalah teknik Convolutional Neural Network atau lebih dikenal dengan ConvNet atau CNN. Akan tetapi, CNN memiliki kekurangan dalam pengembangannya yang masih terhitung mahal secara waktu dan perangkat keras yang digunakan. Namun, kekurangan tersebut dapat diatasi dengan model-model CNN yang sudah mengalami proses latih sebelumnya atau biasa disebut pre-trained model. Tujuan utama pada penelitian ini yaitu menganalisis perbandingan kinerja pre-trained CNN model, yaitu Xception dan DenseNet dalam melakukan klasifikasi terhadap ras kucing. Penelitian ini juga menjelaskan bagaimana pendekatan deep learning, seperti CNN, yang dapat membedakan suatu objek dalam gambar.

Aplikasi yang digunakan dalam penelitian ini adalah Jupyter Notebook, Google-Colab, dan Flask dengan Google Chrome sebagai peramban (web browser). Sedangkan untuk bahasa pemrograman yang digunakan yaitu Python dengan framework Keras dan Tensorflow. Tahapan penelitian dimulai dari tahapan pendahuluan yang memuat penentuan topik, identifikasi dan perumusan masalah, dan menentukan metodologi penelitian. Kemudian dilakukan kajian pustaka, yaitu pengumpulan materi guna mendukung penelitian ini. Selanjutnya dilakukan pengumpulan data dan pengolahan data. Pengolahan data memuat prapengolahan data, perancangan model, pelatihan model dan pengujian model. Setelah selesai mengumpulkan dan mengolah data, dilakukan implementasi aplikasi ke dalam web yang berfungsi untuk memprediksi gambar kucing dari direktori lokal komputer.

Setelah menguji kedua model tersebut, diperoleh kesimpulan bahwa model memiliki hasil kinerja yang berbeda pada setiap percobaannya. Hasil percobaan menunjukkan bahwa secara umum model DenseNet-201 memiliki kinerja yang lebih baik dalam melakukan klasifikasi gambar ras kucing daripada model Xception.

Keywords: Pre-trained Model, Xception, DenseNet, Ras Kucing, CNN, Klasifikasi.

(15)

xv ABSTRACT

The recent development of technology has made it possible for computers to recognize objects in an image automatically. Various models and algorithms continue to be developed, so that computers can recognize objects in an image more better. One technique that is proven to produce the best results (state-of-the-art) is the Convolutional Neural Network technique, or better known as ConvNet or CNN. However, CNN has shortcomings in its development which is expensive in time and the hardware. These deficiencies can be overcome by CNN models that have previously trained on a large dataset, commonly referred to as pre-trained models. The main objective of this research is to analyze the performance of pre-trained CNN models, specifically Xception and DenseNet-201 in classifying cat breeds. Moreover, this research also explains how the deep learning approaches, such as CNN, can distinguish an object in an image.

The model are built using Jupyter notebook, Google-Colab, and Flask with Google Chrome as a browser (web browser). Whereas the programming language used is Python with Keras and Tensorflow frameworks. The stages of the research start from the preliminary stage which includes determining the topic, identifying and formulating the problem, and determining the research methodology.Then a literature review is conducted, i.e. gathering material to support this research.

The next step are collecting data and processing data. Data processing includes several stages like data processing, designing the model, training the model and testing the model. After completing data collection and data processing, this trained model was then developed into a web-based cat breeds classification application.

After testing the two models, it was concluded that the model has different performance results in each experiment. The experimental results show that overall the DenseNet-201 model has better performance in classifying cat breeds images than the Xception model.

Keywords: Pre-trained Model, Xception, DenseNet, CNN, Cat Breed, Classification